Gestión de Operaciones

Pronósticos de Demanda
 Agenda
 Introducción: ¿Qué es la demanda?
 Pronóstico de Demanda: Usos y
Características
 Tipos de Pronóstico de Demanda
 Cualitativos
 Cuantitativos
 Errores de Pronóstico
 Estimación Bajo Incertidumbre

Pronósticos de Demanda
2
 Intro: ¿Qué es la
Demanda?
“Cantidad de bienes o servicios que el consumidor
está dispuesto a adquirir a un precio dado y en un
lugar establecido”
 Saber cual será la demanda permite usar con eficiencia
el sistema productivo y entregar el producto a tiempo
 Dos fuentes básicas de demanda:

Demanda Dependiente

Demanda Independiente
 Respecto a la demanda independiente:

Adoptar papel activo
• Presionar a fuerza de venta, subir/bajar precios, crear
campañas, etc.

Adoptar papel pasivo
• Porque la empresa funciona a toda capacidad, o es la única en
el mercado, razones legales, éticas, etc.
Pronósticos de Demanda
3
 Pronóstico de Demanda
 Los pronósticos de demanda son vitales para
toda organización de negocios
 Planeación de presupuesto y control de costos
 Productos nuevos
 Compensaciones al personal
 Selección de procesos
 Distribución de instalaciones
 Planeación de producción
 Programación
 Inventario

Pronósticos de Demanda
4
 Pronóstico de Demanda
 El pronóstico es la base de la planeación
corporativa a largo plazo y tiene impacto
directo en el mediano y corto plazo
 Es importante ver el horizonte y el nivel de
agregación que se requiere para el pronóstico
de demanda
 Nivel Estratégico: Largo Plazo
 Nivel Táctico: Mediano Plazo
 Nivel Operacional: Corto Plazo.
 Ejemplo SUPERMERCADO

Pronósticos de Demanda
5
 Pronóstico de Demanda

Horizonte de Exactitud Número de Nivel Método de

Uso
tiempo Necesaria Productos Gerencial Pronóstico
Cualitativos y
Diseño del Proceso Largo Media Unos o Pocos Alto
Causales
Planeación de la Capacidad Cualitativos y
Largo Media Unos o Pocos Alto
de Instalaciones Causales
Causales y de
Planeación Agregrada Mediano Alta Pocos Mediano
Series de Tiempo
Programación Corto La más Alta Muchos Más Bajo Series de Tiempo
Administración de
Corto La más Alta Muchos Más Bajo Series de Tiempo
Inventarios

Pronósticos de Demanda
6
 Pronóstico de Demanda
 Un pronóstico perfecto es imposible
 Hay demasiados factores que no se pueden
pronosticar con certeza

Revisión continua de los pronósticos

Aprender a vivir con pronósticos imprecisos

Flexibilidad de reacción
 Utilizar dos o tres métodos
 Análisis de sensibilidad del pronóstico
 No es un número sino un rango

Pronósticos de Demanda
7
 Componentes de la
Demanda
 Seis componentes:
 Demanda Promedio para el periodo
 Tendencia
 Elementos Estacionales
 Elementos Cíclicos
• Eventos como elecciones políticas, guerras, condiciones
económicas
 Variación Aleatoria
• Eventos fortuitos. Parte de la demanda que no se puede
identificar la causa
 Autocorrelación
• Persistencia de la ocurrencia.

Pronósticos de Demanda
8
 Componentes de la
Demanda
Ciclo

Patrón

Demanda
de estacionalidad

Tendencia

Promedio
Aleatorio

Tiempo
Demanda

Serie de tiempo original

Tiempo
Pronósticos de Demanda
9
 Tipos de Pronósticos
 Dos tipos básicos de pronósticos:
 Cualitativos
 Cuantitativos:
• Análisis de Series de Tiempo
• Relaciones Causales
• Simulación

Pronósticos de Demanda
10
 Métodos Cualitativos
 Existen varios tipos de métodos cualitativos:
 Técnicas Acumulativas
 Investigación de Mercados
 Grupos de Consenso
 Analogía Histórica
 Método de Delphi

Pronósticos de Demanda
11
 Métodos Cualitativos:

Técnicas Acumulativas
 Deriva pronóstico a través de la compilación
de entradas de aquellos que se encuentran al
final de la jerarquía.
 Supuesto: La persona que está más cerca del cliente
conoce mejor sus necesidades futuras.
 Pronósticos se suman y se llevan a nivel más alto.

 EJ: Almacén local trata con cada uno de los

vendedores. Suma el total, agrega inventario de
seguridad y efectos de pedir en cantidad. Luego se
lleva al almacén regional, quien suma la cantidad de
cada almacén local, etc.

Pronósticos de Demanda
12
 Métodos Cualitativos:

Investigación de Mercados
 Se utiliza sobre todo para la investigación de
nuevos productos
 Métodos de recopilación: Encuestas,
Entrevistas, Focus Group, etc.

Pronósticos de Demanda
13
 Métodos Cualitativos:

Grupos de Consenso
 “Dos cabezas piensan más que una”
 Grupo de personas con diversas posiciones en la
empresa
 Reuniones abiertas con intercambio libre de ideas
 Algunas personas pueden sentirse intimidadas y no
hablar libremente

Pronósticos de Demanda
14
 Métodos Cualitativos:

Analogía Histórica
 Producto General o Existente como modelo.
 Productos complementarios, sustituibles o
competitivos

 Ej: Tostador y Cafetera (NY-Wisconsin)

Pronósticos de Demanda
15
 Métodos Cualitativos:

Método de Delphi
 Similar a grupos de consenso pero en forma de
cuestionario
 Se elige a los expertos a participar
 Por medio de un cuestionario se obtienen
proyecciones
 Se resumen los resultados, se modifica el
cuestionario y se vuelve a repartir
 Nuevamente se resumen los resultados, se refinan
proyecciones y se plantean preguntas nuevas
 Si es necesario se vuelve a repetir el paso anterior

 Por lo regular se requieren tres rondas

 Elimina el problema de la intimidación
Pronósticos de Demanda
16
 Análisis de Series de
Tiempo
 Predecir el futuro con información del pasado
 Varios modelos:
 Promedio Móvil Simple
 Promedio Móvil Ponderado
 Suavización Exponencial
 Análisis de Regresión Lineal
 Series de Tiempo
 Proyecciones de Tendencia

Pronósticos de Demanda
17
 Métodos Cuantitativos: Análisis de Series de
Tiempo

Promedio Móvil Simple

 Útil cuando la demanda no crece ni baja con
rapidez y no tiene características estacionales
Dt  1  Dt  2  ...  Dt  n
Ft 
n
Ft = Pronóstico para el periodo t
Dt  1= Demanda real del periodo t-1
n = Número de periodos a promediar

 Varios efectos conflictivos de distintos

periodos
 Mientras más largo, más se uniformarán los
elementos aleatorios, pero se retrasa la tendencia.
Pronósticos de Demanda
18
 Métodos Cuantitativos: Análisis de Series de
Tiempo

Promedio Móvil Simple

 Ej.: Periodos de 3 y 9 semanas
Semana Demanda 3 Semanas 9 Semanas Semana Demanda 3 Semanas 9 Semanas
1 800 16 1.700 2.200 1.811
2 1.400 17 1.800 2.000 1.800
3 1.000 18 2.200 1.833 1.811
4 1.500 1.067 19 1.900 1.900 1.911
5 1.500 1.300 20 2.400 1.967 1.933
6 1.300 1.333 21 2.400 2.167 2.011
7 1.800 1.433 22 2.600 2.233 2.111
8 1.700 1.533 23 2.000 2.467 2.144
9 1.300 1.600 24 2.500 2.333 2.111
10 1.700 1.600 1.367 25 2.600 2.367 2.167
11 1.700 1.567 1.467 26 2.200 2.367 2.267
12 1.500 1.567 1.500 27 2.200 2.433 2.311
13 2.300 1.633 1.556 28 2.500 2.333 2.311
14 2.300 1.833 1.644 29 2.400 2.300 2.378
15 2.000 2.033 1.733 30 2.100 2.367 2.378

Pronósticos de Demanda
19
 Métodos Cuantitativos: Análisis de Series de
Tiempo

Promedio Móvil Simple

 Ej.: Periodos de 3 y 9 semanas

3.000

2.500

2.000

1.500

1.000

Demanda Real
500
Pronóstico Móvil Simple con 3 semanas
Pronóstico Mövil Simple con 9 semanas
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30

Pronósticos de Demanda
20
 Métodos Cuantitativos: Análisis de Series de
Tiempo

Promedio Móvil Ponderado

 Asigna importancia a los distintos elementos

Ft wt  1 Dt  1  wt  2 Dt  2  ...  wt  n Dt  n

Ft = Pronóstico para el periodo t

Dt  1= Demanda real del periodo t-1
wt= 1 Ponderación dada a la demanda real para el periodo t-1
n = Número total de periodos en el pronóstico
n

w
i 1
i 1

Pronósticos de Demanda
21
 Métodos Cuantitativos: Análisis de Series de
Tiempo

Promedio Móvil Ponderado

 Asigna importancia a los distintos elementos
 Experiencia
 Prueba
 Por regla general: Más importante el pasado más
reciente
 Si los datos son estacionales: Ponderar según
estacionalidad
• Ej: trajes de baño

Pronósticos de Demanda
22
 Métodos Cuantitativos: Análisis de Series de
Tiempo

Suavización Exponencial
 Cada incremento en el pasado se reduce 1 – 

Ft Ft  1   ( Dt  1  Ft  1 )

F=t Pronóstico suavizado exponencialmente para el periodo t

Dt  1= Demanda real del periodo t-1
 = Constante de suavización

 La suavización exponencial es la más utilizada

en las técnicas de pronóstico.

Pronósticos de Demanda
23
 Métodos Cuantitativos: Análisis de Series de
Tiempo

Suavización Exponencial
 Se acepta en forma generalizada por seis
razones:
 Sorprendentemente preciso
 Relativamente fácil de formular
 Modelo fácil de entender
 Se requieren pocos cálculos
 Bajo requerimiento de almacenamiento de datos
 Fácil de calcular pruebas de precisión de desempeño

Pronósticos de Demanda
24
 Métodos Cuantitativos: Análisis de Series de
Tiempo

Suavización Exponencial
 La razón por la que se llama suavización
exponencial es que cada incremento en el
pasado se reduce (1 – )
Ft Ft  1   ( Dt  1  Ft  1 )

Ft Ft  1 (1   )  Dt  1 

Ft ( Ft  2 (1   )  Dt  2  ) (1   )   Dt  1

Ft Ft  2 (1   ) 2  Dt  2  (1   )  Dt  1 

Pronósticos de Demanda
25
 Métodos Cuantitativos: Análisis de Series de
Tiempo

Suavización Exponencial
 Cada incremento en el pasado se reduce 1 – 

Ft ( Ft  3 (1   )  Dt  3  )) (1   ) 2  Dt  2  (1   )  Dt  1 

Ft Ft  3 (1   ) 3  Dt  3  (1   ) 2  Dt  2  (1   )  Dt  1 

 Dato más reciente:(1   ) 0 

 (1
Dato de un periodo anterior:   )1

 (1   ) 2 
Dato de dos periodos antes:

Pronósticos de Demanda
26
 Métodos Cuantitativos: Análisis de Series de
Tiempo

Suavización Exponencial
 Solo se requieren 3 piezas de datos para
pronosticar el futuro
 El pronóstico más reciente
 La demanda real que ocurrió durante el periodo de
pronóstico
 Una constante de suavización

 La constante de suavización determina el nivel

de uniformidad y la velocidad de reacción a las
diferencias entre los pronósticos y las
ocurrencias reales.
Pronósticos de Demanda
27
 Métodos Cuantitativos: Análisis de Series de
Tiempo

Suavización Exponencial
Ciclo

Patrón

Demanda
de estacionalidad

Tendencia

Promedio
Aleatorio

Tiempo
Demanda

Serie de tiempo original

 Suavización Exponencial es
capaz de estimar el
Promedio, la
Estacionalidad y la
Tiempo Tendencia de la Serie
Original
Pronósticos de Demanda
28
 Métodos Cuantitativos: Análisis de Series de
Tiempo

Suavización Exponencial
 Suavización Exponencial con Tendencia:

At  Dt  (1   ) ( At  1  Tt  1 ) 0   1
Tt  ( At  At  1 )  (1   ) Tt  1 0   1
Ft 1  At  Tt

 Donde Tt es la tendencia.

Pronósticos de Demanda
29
 Métodos Cuantitativos: Análisis de Series de
Tiempo

Suavización Exponencial
 Suavización Exponencial con
Estacionalidad de Largo L:
 Dt 
At     (1   ) At  1 0   1
 Rt  L 
 Dt 
Rt     (1  ) R t  L 0   1
 At 
Ft 1 ( At ).Rt  L 1

 Donde Rt es el factor de estacionalidad.

Pronósticos de Demanda
30
 Métodos Cuantitativos: Análisis de Series de
Tiempo

Suavización Exponencial
 Suavización Exponencial con
Estacionalidad de Largo L y tendencia:

 Dt 
At     (1   ) ( At  1  Tt  1 ) 0    1
 Rt  L 
 Dt 
Rt     (1   ) R t  L 0   1
 At 
Tt  ( At  At  1 )  (1   ) Tt  1 0   1
Ft 1 ( At  Tt ) Rt  L 1

Pronósticos de Demanda
31
 Análisis de Regresión
Lineal
 Relación Funcional entre dos o más variables
correlacionadas.
 Se pronostica una variable en base a la otra.
 Se realiza a partir de datos observados.
 Se grafican los datos
Y a  bX
Y = Variable Dependiente
a = Secante
b = Pendiente
X = Variable Independiente (En este caso el tiempo)
Pronósticos de Demanda
32
 Análisis de Regresión
Lineal
 Útil para el pronóstico a largo plazo de eventos
importantes, así como la planeación agregada.
 Supone que los datos del pasado, y los
pronósticos futuros caen sobre una recta.
 Pueden usarse periodos más cortos.
 Se utiliza tanto para Análisis de Series de
Tiempo como para Relaciones Causales, en
cuyo caso una variable es dependiente de la
otra.

Pronósticos de Demanda
 Análisis de Regresión
Lineal

188
Sales

168

148

128

108
Sales
Sales
Regression
88
1 3 5 7 9 11 13 15 17
17 19
19 21
21 23
23 25
25 27
27 29
29
Week

Pronósticos de Demanda
34
 Métodos Cuantitativos: Análisis de Series de
Tiempo

Series de Tiempo Shiskin

 Puede definirse una serie temporal como datos
ordenados en forma cronológica que pueden
tener uno o más componentes de la demanda:
 Tendencia
 Estacional
 Cíclico
 Autocorrelación
 Aleatorio
 La descomposición de una serie temporal
significa identificar y separar los datos de la
serie temporal en estos componentes.

Pronósticos de Demanda
35
 Métodos Cuantitativos: Análisis de Series de
Tiempo

Series de Tiempo Shiskin

 Es fácil identificar la tendencia y el
componente estacional.
 Es más difícil identificar los componentes de
los ciclos, la autocorrelación y el aleatorio.
 Cuando se tienen efectos estacionales y de
tendencia al mismo tiempo, pueden
relacionarse:
 Variación Estacional Aditiva -> Cantidad estacional
es una constante
 Variación Estacional Multiplicativa -> La tendencia se
multiplica por los factores estacionales
-> Es más común la multiplicativa.
Pronósticos de Demanda
36
 Proyecciones de
Tendencia
 Ajusta una recta matemática de tendencias a
los puntos de datos y las proyecta en el futuro
Tendencia Líneal Tendencia de curva S
2 2
1,9 1,9
1,8 1,8
1,7 1,7
1,6 1,6
1,5 1,5
1,4 1,4
1,3 1,3
1,2 1,2
1,1 1,1
1 1
0,9 0,9
0,8 0,8
0,7 0,7
0,6 0,6

1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12

Tendencia asintótica Tendencia exponencial

2 2
1,9 1,9
1,8 1,8
1,7 1,7
1,6 1,6
1,5 1,5
1,4 1,4
1,3 1,3
1,2 1,2
1,1 1,1
1 1
0,9 0,9
0,8 0,8
0,7 0,7
0,6 0,6
1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12

Pronósticos de Demanda
37
 Métodos Cuantitativos:

Relaciones Causales
 Tratar de entender el sistema subyacente y
que rodea al elemento que se va a pronosticar
 La gracia es que una variable independiente
sea un indicador guía
 Ej.: La lluvia para la venta de paraguas
 Relación causal -> Una ocurrencia causa la
otra
 Es de gran importancia encontrar las
ocurrencias que realmente son la causa

Pronósticos de Demanda
38
 Métodos Cuantitativos:

Relaciones Causales
 Varios modelos:
 Análisis de Regresión Múltiple
 Modelos Econométricos
 Modelos de Entrada/Salida
 Principales Indicadores

Pronósticos de Demanda
39
 Análisis de Regresión
Múltiple
 Similar al análisis de regresión en series de
tiempo pero con diversas variables
 Ej.: Mobiliario doméstico en función de número de
matrimonios, construcción de viviendas, ingreso
disponible y tendencias:
S B  Bm ( M )  Bh ( H )  Bi ( I )  Bt (T )
S = Ventas Brutas Anuales
B= Ventas de Base (a partir de otros factores que ejercen influencia)
M = Matrimonios durante el año
H = Construcción de viviendas durante el año
I = Ingreso personal disponible anual
T = Tendencia temporal
Pronósticos de Demanda
40
 Análisis de Regresión
Múltiple
 Es conveniente hacer un pronóstico con
regresión múltiple cuando varios factores
influyen en la variable de interés
 Su dificultad radica en:
 Encontrar las verdaderas fuentes de causa
 Ver la independencia de las fuentes
 Cálculos matemáticos

Pronósticos de Demanda
41
 Análisis de Regresión
Múltiple
Estacionalidad
Subclase
Elasticidad
Demanda Efecto Precio Estilo i
Estilo i Promoción

 PP II 
DDi ((t t, ,PP, ,II))KKi KK((t t))KKprom exp (    )( 1 
exp (  i i )(1  P )   
)   max(0,1  I ))
max(0,1
i i prom
 PInicial
Inicial Ic c 

Magnitud Ventas
Estilo i Elasticidad Elasticidad
Precio Subclase Inventario Subclase

t = Tiempo (Semana) I = Inventario

P = Precio Ic = Inventario Crítico
PInicial = Precio Inicial (salida)
Pronósticos de Demanda
42
 Métodos Cuantitativos: Relaciones Causales

Modelos Econométricos
 Intentos por describir algún sector de la
economía mediante ecuaciones
interdependientes

Pronósticos de Demanda
43
 Métodos Cuantitativos: Relaciones Causales

Modelos de Entrada/Salida
 Se enfoca en ventas de otras industrias
 Indica los cambios en las ventas que una
industria productora puede esperar debido a
los cambios en las compras por parte de la
otra

Pronósticos de Demanda
44
 Métodos Cuantitativos: Relaciones Causales

Principales Indicadores
 Estadísticas que se mueven en la misma
dirección que la serie a pronosticar, pero antes
que ésta
 Ej: Un incremento en el precio de la gasolina indica
un abaja futura en la venta de autos grandes

Pronósticos de Demanda
45
 Métodos Cuantitativos:

Modelos de Simulación
 Modelos dinámicos
 Permiten hacer suposiciones acerca de las
variables internas y el ambiente externo del
modelo
 ¿Qué pasaría si subiera los precios?
 Análisis de Sensibilidad

Pronósticos de Demanda
46
 Modelos de Simulación:

Pronóstico Enfocado
 Creación de Bernie Smith, quien lo usa para
manejo de inventarios de bienes terminados.
 Smith dice que los enfoques estadísticos no
dan los mejores resultados
 Afirma que son mejores las técnicas simples
 El pronóstico enfocado prueba varias reglas y
las simula sobre datos del pasado

Pronósticos de Demanda
47
 Modelos de Simulación:

Pronóstico Enfocado
 Ejemplos de reglas:
 Lo que se haya vendido en los últimos tres meses,
probablemente es lo que se venderá en los meses
siguientes
 Lo que se vendió en el mismo trimestre del año pasado, se
venderá también en este periodo
 El cambio porcentual de los últimos tres meses de este año
será el mismo que se obtendrá en los tres meses
siguientes
 Las reglas de pronóstico no son rígidas
 Si una regla funciona, se agrega, sino, se suprime
 Luego se simula por computadora con datos históricos
 Lo que mejor pronostique el pasado, se usa para el
futuro
Pronósticos de Demanda
48
 Errores de Pronóstico
 Se refiere a la diferencia entre el valor de
pronóstico y lo que ocurrió en realidad.
 Nos sirven para ver en qué momento el
pronóstico falla o los datos no sirven

11
MAD 
MAD   D Dt t  FFt t
nn t t
1 MAD 0.8 desv. estandard
1 des. estandard 1.25 MAD
 Se utiliza por su simplicidad.
Pronósticos de Demanda
49
 Errores de Pronóstico
 El valor ideal de MAD es cero (ie, no existe
error de pronósticos).
 Mientras mas grande MAD, menor la precisión
del modelo.
 MAD se usa para:
 Comparar distintos modelos de pronósticos.
 Elegir el “mejor” modelo dentro de una familia de
modelos

 Si |Ft - Dt| > 3,75 x MADt (tres desviaciones

estándar), entonces existen sospechas de
VALOR EXTREMO.
Pronósticos de Demanda
50
 Errores de Pronóstico
 Señal de Rastreo:

suma acumulada de la desviación del pronóstico

T
MAD

 Si T  [-6,6] (confiabilidad menor al 97%),

entonces debe revisarse el modelo ya que está
sesgado.

Pronósticos de Demanda
51
 Errores de Pronóstico
 MAD pronosticada:

MADt  Ft  Dt  (1   ) MADt  1

Pronósticos de Demanda
52
 Pronósticos Bajo
Incertidumbre

 En muchos casos no es una buena idea resumir en

un número nuestras predicciones futuras sobre el
comportamiento de la demanda. O, depender
demasiado de la información histórica.
 Ciclos de venta muy cortos.
 Demanda altamente estocástica.

Rápidos cambios tecnológicos y de modas.

 Ejemplos: ropa de moda, juguetes, juegos

computacionales, música, libros, artículos
electrónicos…

Pronósticos de Demanda
53
 Pronósticos Bajo
Incertidumbre

 En estos casos puede ser mejor modelar la

demanda como una variable aleatoria (o
proceso estocástico) y usar pronósticos para
definir su distribución de probabilidades.
 Uno de los ejemplos más populares es
suponer que la demanda está Normalmente
distribuida con media  y desviación
estándar .

Pronósticos de Demanda
54
 Pronósticos Bajo
Incertidumbre

 Supongamos que tenemos N

observaciones de la demanda
 {xi: i=1,…,N}. Como podemos estimar 
y ?
Metodo de Maxima Verosimili tud
n
max V(μ, )  ( xi ,  ,  ) 
1 n
 ,
V   xi
i 1 n i 1
n
 xi   
2 2
n
n 1
 
max ln V(μ, )  ln 2 2  i 1
   xi  V 
2
V
 , 2 2 2 n i 1
Pronósticos de Demanda
55
 Conclusiones
 No es fácil desarrollar un sistema de
pronóstico
 Es fundamental para cualquier esfuerzo
de planeación
 En corto plazo: Predecir necesidades de
materiales, productos, servicios u otros
recursos
 En largo plazo: Base para los cambios
estratégicos, como el desarrollo de
mercados nuevos, creación de productos,
ampliar instalaciones
Pronósticos de Demanda
56
 Conclusiones
 Para los pronósticos de largo plazo son
provechosos los métodos causales
 Para los de corto y mediano plazo, los
modelos simples, como la suavización
exponencial, pueden ser satisfactorios
 La filosofía ideal es crear el mejor pronóstico
que sea posible y protegerse manteniendo la
flexibilidad del sistema para tener en cuenta
inevitables errores de pronóstico

Pronósticos de Demanda
57